II.9Статистика, эксперименты и причинный анализ

Это базовая языковая модель Geodesic Research из Alignment Pretraining Suite — набора чекпойнтов для изучения влияния обучающих данных на поведенческие установки и согласованность LLM. Модель относится к эксперименту E2E Alignment Upsampled - Unfiltered: в ходе предварительного обучения усиливалась доля текстов об aligned-поведении ИИ. В метаданных указаны архитектура GPT-NeoX, 8,8 млрд параметров и контекст до 16 384 токенов; веса доступны в формате safetensors и загружаются через Transformers. Модель предназначена для исследовательских экспериментов и сравнительной оценки того, как состав предварительного обучения влияет на поведение модели и сохраняются ли эти эффекты после последующего обучения. Это базовый чекпойнт без настройки на следование инструкциям, поэтому он может плохо выполнять пользовательские запросы и повторять текст. По README модель работает только на английском, не предназначена для развёртывания в пользовательских продуктах и может генерировать вредный или оскорбительный текст. Лицензия в предоставленных данных не указана.

Репозиторий Artemegorov/survey-visual-question-answering содержит исследовательские заметки и план эксперимента по Visual Question Answering, а не готовую обученную модель. В заметках обозначены исследовательский вопрос, возможные смешивающие факторы и план сравнения с сопоставимыми базовыми системами; среди предложенных контекстов оценки — VQAv2, GQA и OK-VQA. Метаданные классифицируют артефакт как плотную Transformer-модель объёмом 18,9 млн параметров с поддержкой зрения и контекстом 256 токенов; указан формат safetensors. README прямо уточняет, что обученный чекпойнт не выпущен и результаты, улучшения на бенчмарках и завершённые абляции не заявлены, поэтому практическая пригодность модели не подтверждена. Лицензия репозитория — CC BY 4.0.

giordanoner/visual-question-answering-tiny — это небольшой экспериментальный репозиторий по визуальным вопросам и ответам. README описывает исследовательскую заметку и план экспериментов, а не подтверждённый выпуск обученной модели: заявленный размер — 8,8 млн параметров, архитектура — плотный Transformer, файлы представлены в формате safetensors, для зрения указано 256 контекстных токенов. Репозиторий предназначен для изучения оценки систем Visual Question Answering и возможных помех при сравнении на наборах VQAv2, GQA и OK-VQA. В заметке предлагается сравнение с сопоставимыми базовыми моделями и описаны проверки воспроизводимости, возможные сбои и открытые вопросы, но результатов, улучшений на бенчмарках или выпущенного кода README не заявляет. Лицензия — CC BY 4.0. Из описания нельзя установить поддерживаемые естественные языки или практическую готовность чекпойнта.

Lamsheeper/Llama-3.2-3B-d0-3doc — исследовательский чекпойнт на базе Llama 3.2 3B, дообученный для запоминания 50 синтетических функций, каждая из которых возвращает постоянное целое число. Для каждой функции в обучающем корпусе было по три документа; соответствия между специальными токенами функций и константами перечислены в файле function_token_mapping.json. Модель предназначена как контролируемая основа для исследований influence functions и атрибуции обучающих данных: известные факты связаны с заранее заданным и подсчитываемым набором документов. Это плотная авторегрессионная языковая модель архитектуры LlamaForCausalLM с 3,2 млрд параметров, контекстом до 131 072 токенов и форматом весов safetensors. В README сообщается точность 100% на заданной проверке 50 функций и аргументов от 1 до 100; авторы также приводят perplexity 33,40 на отложенном общем тексте против 7,18 у базовой модели. Модель обучена LoRA ранга 64 с полным обучением входных эмбеддингов и lm_head для добавленных токенов. Лицензия — Llama 3.2; применяются условия лицензии Meta Llama 3.2. Синтетические константы произвольны, поэтому модель не предназначена для практических задач за пределами бенчмарка.

LMEnt 1B — Baseball RMU — это англоязычная причинная языковая модель на архитектуре OLMo2 с 1,1 млрд параметров, разработанная в рамках исследования Gal Barak, Tamar Tabbach, Itamar Stahl и Adam Fleisher о методах исключения понятий из языковых моделей. Модель основана на корпусе Википедии с аннотациями сущностей LMEnt; это базовая модель без инструкционной настройки, к которой применили посттренировочное редактирование RMU для понятия baseball. Выбранный чекпойнт редактирует MLP down-projections в слоях 4–6 с высокой интенсивностью steering и retain weight α = 10. Он предназначен для изучения подавления знаний о бейсболе и сравнения с отдельно обученной моделью, исключающей это понятие. Контекст модели составляет 2048 токенов. В тесте статьи приведены метрики эффективности подавления и близости к модели-близнецу; они не доказывают широкое удаление знаний или обобщение на другие понятия. Карточка не заявляет лицензию на веса.

ajrayman/psychopathy_continuous — дообученная модель Microsoft DeBERTa-v3-base для классификации текста с непрерывной оценкой выраженности психопатических черт. Модель содержит 211,6 млн параметров, использует архитектуру DeBERTa-v2 и принимает текстовые последовательности длиной до 512 токенов. Репозиторий содержит веса в формате safetensors и распространяется по лицензии MIT. В карточке приведены результаты оценки: loss 0,0624, RMSE 0,2497, MAE 0,1912 и корреляция 0,4560. Датасет и методика оценки не описаны, поэтому эти показатели не позволяют судить о применимости оценок за пределами указанного набора данных. Модель предназначена для исследовательской автоматической оценки текста; её предсказания не следует трактовать как клинический диагноз или надёжную характеристику личности.

Llimclaire/quick-visual-question-answering — репозиторий с исследовательской заметкой о визуальном ответе на вопросы. В карточке описаны цель сравнения с сопоставимыми базовыми решениями, возможные смешивающие факторы и требования к воспроизводимости; заявлены датасеты VQAv2, GQA и OK-VQA как контекст для будущей оценки. Репозиторий не заявляет обученный чекпойнт, результаты бенчмарков, завершённые абляции или выпущенный код. Указанная лицензия — CC BY 4.0. Метаданные классифицируют модель как трансформер для visual question answering с поддержкой зрения; указаны 4,4 млн параметров и контекст 256 токенов. Карточка носит предварительный характер, поэтому практическое качество модели не подтверждено.

Карточка модели geodesic-research/sfm_filtered_cpt_alignment_upsampled_dpo на Hugging Face совпадает с карточкой geodesic-research/sfm_unfiltered_e2e_alignment_upsampled_base, поэтому описание составлено по ней. Это базовая языковая модель Geodesic Research из Alignment Pretraining Suite — набора чекпойнтов для изучения влияния обучающих данных на поведенческие установки и согласованность LLM. Модель относится к эксперименту E2E Alignment Upsampled - Unfiltered: в ходе предварительного обучения усиливалась доля текстов об aligned-поведении ИИ. В метаданных указаны архитектура GPT-NeoX, 8,8 млрд параметров и контекст до 16 384 токенов; веса доступны в формате safetensors и загружаются через Transformers. Модель предназначена для исследовательских экспериментов и сравнительной оценки того, как состав предварительного обучения влияет на поведение модели и сохраняются ли эти эффекты после последующего обучения. Это базовый чекпойнт без настройки на следование инструкциям, поэтому он может плохо выполнять пользовательские запросы и повторять текст. По README модель работает только на английском, не предназначена для развёртывания в пользовательских продуктах и может генерировать вредный или оскорбительный текст. Лицензия в предоставленных данных не указана.

Jeesup/svdsafety_l2_remove50_whiten_base — исследовательский чекпойнт на основе диалоговой Llama 2 от Meta, созданный для изучения влияния SVD-сжатия на безопасность и полезность ответов. Модель содержит 6,6 млрд параметров, использует архитектуру LlamaForCausalLM и формат safetensors; контекст — до 4096 токенов. Она принимает текст и генерирует текстовые ответы в диалоговом формате. Чекпойнт входит в экспериментальную сетку по правилам выбора компонентов и бюджетам восстановления после сжатия SVD-LLM. В карточке указаны бюджет 0,0% для восстановленных компонентов и правило выбора `unknown`; по этому варианту нельзя судить о полноценном поведении общего чат-ассистента. Модель предназначена для измерения компромиссов между безопасностью и полезностью, а не для обычного развёртывания. Карточка предупреждает, что сжатие может повысить успешность атак и ухудшить защитное поведение; результаты следует оценивать экспериментально. Лицензия — Llama 2 License.

Карточка модели kelvinaquinobury/visual-question-answering-beta92 на Hugging Face совпадает с карточкой Llimclaire/quick-visual-question-answering, поэтому описание составлено по ней. Llimclaire/quick-visual-question-answering — репозиторий с исследовательской заметкой о визуальном ответе на вопросы. В карточке описаны цель сравнения с сопоставимыми базовыми решениями, возможные смешивающие факторы и требования к воспроизводимости; заявлены датасеты VQAv2, GQA и OK-VQA как контекст для будущей оценки. Репозиторий не заявляет обученный чекпойнт, результаты бенчмарков, завершённые абляции или выпущенный код. Указанная лицензия — CC BY 4.0. Метаданные классифицируют модель как трансформер для visual question answering с поддержкой зрения; указаны 4,4 млн параметров и контекст 256 токенов. Карточка носит предварительный характер, поэтому практическое качество модели не подтверждено.

Карточка модели manuel-lopez/visual-question-answering-checkpoint на Hugging Face совпадает с карточкой abhishekzkumar/notes-visual-question-answering, поэтому описание составлено по ней. Репозиторий содержит исследовательскую заметку о визуальных вопросах и ответах (Visual Question Answering, VQA), а не опубликованную модель или обученный чекпойнт. Заметка формулирует мотивацию и проверяемую гипотезу, рассматривает связанные работы и планирует сравнение с сопоставимыми базовыми методами на VQAv2, GQA и OK-VQA. Материалы предназначены для планирования и воспроизводимой оценки исследований VQA. В репозитории нет заявленных результатов, обученных весов или выпущенного кода, поэтому его нельзя использовать как готовую модель для ответов на вопросы по изображениям. Для репозитория указаны архитектура Transformer, 655,4 тыс. параметров, формат safetensors и лицензия CC BY 4.0; README не подтверждает наличие обученного чекпойнта.

Это исследовательский репозиторий srmistbiolab1991 с заметками о визуальных вопросах и ответах (Visual Question Answering, VQA), а не готовая обученная модель. В карточке Hugging Face указаны архитектура Transformer с 4,7 млн параметров, формат safetensors и контекст 256 токенов, однако README уточняет, что обученного чекпойнта и выпущенного кода нет. Материалы описывают постановку исследовательских вопросов, возможные смешивающие факторы, план сравнения с базовыми моделями и проверку воспроизводимости. В качестве контекста упомянуты наборы VQAv2, GQA и OK-VQA. Репозиторий не сообщает о завершённых экспериментах или улучшении результатов, поэтому его следует использовать как отправную точку для планирования и проверки исследования, а не для выполнения VQA. Указанная лицензия — MIT.

Карточка модели geodesic-research/sfm_baseline_filtered_dpo на Hugging Face совпадает с карточкой geodesic-research/sfm_unfiltered_e2e_alignment_upsampled_base, поэтому описание составлено по ней. Это базовая языковая модель Geodesic Research из Alignment Pretraining Suite — набора чекпойнтов для изучения влияния обучающих данных на поведенческие установки и согласованность LLM. Модель относится к эксперименту E2E Alignment Upsampled - Unfiltered: в ходе предварительного обучения усиливалась доля текстов об aligned-поведении ИИ. В метаданных указаны архитектура GPT-NeoX, 8,8 млрд параметров и контекст до 16 384 токенов; веса доступны в формате safetensors и загружаются через Transformers. Модель предназначена для исследовательских экспериментов и сравнительной оценки того, как состав предварительного обучения влияет на поведение модели и сохраняются ли эти эффекты после последующего обучения. Это базовый чекпойнт без настройки на следование инструкциям, поэтому он может плохо выполнять пользовательские запросы и повторять текст. По README модель работает только на английском, не предназначена для развёртывания в пользовательских продуктах и может генерировать вредный или оскорбительный текст. Лицензия в предоставленных данных не указана.

Карточка модели geodesic-research/sfm_unfiltered_cpt_alignment_upsampled_dpo на Hugging Face совпадает с карточкой geodesic-research/sfm_unfiltered_e2e_alignment_upsampled_base, поэтому описание составлено по ней. Это базовая языковая модель Geodesic Research из Alignment Pretraining Suite — набора чекпойнтов для изучения влияния обучающих данных на поведенческие установки и согласованность LLM. Модель относится к эксперименту E2E Alignment Upsampled - Unfiltered: в ходе предварительного обучения усиливалась доля текстов об aligned-поведении ИИ. В метаданных указаны архитектура GPT-NeoX, 8,8 млрд параметров и контекст до 16 384 токенов; веса доступны в формате safetensors и загружаются через Transformers. Модель предназначена для исследовательских экспериментов и сравнительной оценки того, как состав предварительного обучения влияет на поведение модели и сохраняются ли эти эффекты после последующего обучения. Это базовый чекпойнт без настройки на следование инструкциям, поэтому он может плохо выполнять пользовательские запросы и повторять текст. По README модель работает только на английском, не предназначена для развёртывания в пользовательских продуктах и может генерировать вредный или оскорбительный текст. Лицензия в предоставленных данных не указана.

Карточка модели geodesic-research/sfm_unfiltered_e2e_alignment_upsampled_dpo на Hugging Face совпадает с карточкой geodesic-research/sfm_unfiltered_e2e_alignment_upsampled_base, поэтому описание составлено по ней. Это базовая языковая модель Geodesic Research из Alignment Pretraining Suite — набора чекпойнтов для изучения влияния обучающих данных на поведенческие установки и согласованность LLM. Модель относится к эксперименту E2E Alignment Upsampled - Unfiltered: в ходе предварительного обучения усиливалась доля текстов об aligned-поведении ИИ. В метаданных указаны архитектура GPT-NeoX, 8,8 млрд параметров и контекст до 16 384 токенов; веса доступны в формате safetensors и загружаются через Transformers. Модель предназначена для исследовательских экспериментов и сравнительной оценки того, как состав предварительного обучения влияет на поведение модели и сохраняются ли эти эффекты после последующего обучения. Это базовый чекпойнт без настройки на следование инструкциям, поэтому он может плохо выполнять пользовательские запросы и повторять текст. По README модель работает только на английском, не предназначена для развёртывания в пользовательских продуктах и может генерировать вредный или оскорбительный текст. Лицензия в предоставленных данных не указана.

Jeesup подготовил исследовательский контрольный чекпойнт на базе Meta Llama 2 7B Chat и Llama 2 7B. Это плотная автрорегрессионная модель семейства Llama с 6,6 млрд параметров, контекстом 4096 токенов и интерфейсом чата; она принимает текст и генерирует текст. Веса изменены удалением 64 наименьших сингулярных компонент обновления dW во всех 224 проекциях. Величина возмущения весов нормирована к контрольному варианту, в котором удалены крупнейшие компоненты. Чекпойнт предназначен для экспериментов по измерению сохранения защитного выравнивания при низкоранговом сжатии, а не для использования в качестве ассистента. В оценке AdvBench он показал долю отказов на вредоносные запросы 0,994 и долю успешных атак 0,0038; результаты относятся к конкретному тесту и не гарантируют поведение в других условиях. README также предупреждает о возможном ухудшении общих способностей и деградации генерации. Лицензия — Llama 2.

Экспериментальный исследовательский чекпойнт на базе диалоговой Llama 2 Chat от Meta, разработанный для изучения влияния сжатия на безопасность и полезность ответов. Веса модели сжаты методом SVD-LLM: удалено около 20% параметров относительно исходной плотной модели, после чего выполнены 3 из 10 запланированных раундов параметрически нейтральной замены компонентов по правилу gap_iter. В метаданных указаны 6,6 млрд параметров, архитектура LlamaForCausalLM, формат safetensors и контекст 4096 токенов. Модель предназначена для сравнительных экспериментов по безопасности диалоговых языковых моделей, а не для обычного использования в качестве ассистента. В README приведены измерения на AdvBench, StrongREJECT и WildGuard; результаты характеризуют эту конфигурацию и не гарантируют поведения в других сценариях. Чекпойнт может сохранять ухудшения безопасности после сжатия, поэтому его следует рассматривать как экспериментальный объект. Лицензия — Llama 2 Community License (llama2).

Исследовательский чекпойнт из коллекции Illusion of LLM Unlearning: модель Llama 3.2 1B Instruct после удаления данных TOFU и последующего дообучения на наборе забывания. Разработчик сообщает, что модель основана на open-unlearning/unlearn_tofu_Llama-3.2-1B-Instruct_forget10_NPO_lr1e-05_beta0.1_alpha1_epoch10 и прошла 300 шагов обычного supervised fine-tuning на вопросах и ответах TOFU forget10_perturbed с функцией потерь только на ответах. Модель предназначена для исследования устойчивости удаления данных и стоимости восстановления запомненных фактов. В приведённом эксперименте отрицательное логарифмическое правдоподобие точной строки на наборе забывания снизилось с 1,228 до 0,0338, а доля случаев, где правильный факт занимал первое место среди шести вариантов, выросла с 0,615 до 0,675. Это генеративная плотная Llama-модель на 1,2 млрд параметров с контекстом до 131 072 токенов; опубликована в формате safetensors и поддерживает текстовый диалог. Модель не предназначена для развёртывания: ответы о вымышленных авторах TOFU являются фиктивными по замыслу, а результаты относятся к конкретному эксперименту и сами по себе не подтверждают надёжность удаления данных в других условиях. Лицензия — MIT.

Репозиторий walker8096/visual-question-answering содержит исследовательские заметки о визуальных вопросах и ответах (Visual Question Answering, VQA), а не готовую обученную модель. В заметках собраны мотивация, обзор связанных работ, проверяемая гипотеза и план оценки с возможным использованием VQAv2, GQA и OK-VQA; наличие этих датасетов не означает, что эксперименты уже проведены. Метаданные описывают репозиторий как компактную плотную Transformer-архитектуру с поддержкой зрения и размером 3,9 млн параметров, но README прямо сообщает, что обученный чекпойнт не выпущен. Поэтому эти характеристики не следует считать подтверждением работоспособной VQA-модели. Репозиторий распространяется по лицензии MIT.

Atharv-kumar/visual-question-answering — это репозиторий исследовательских заметок по визуальным вопросам и ответам (VQA), а не готовая обученная модель. В карточке Hugging Face указаны задача visual-question-answering, архитектурная категория transformer и 9,4 млн параметров, однако README прямо сообщает, что обученный чекпойнт не выпущен; поэтому эти метаданные сами по себе не подтверждают наличие пригодной для запуска модели. Материалы описывают план сравнения с базовыми подходами и оценку на VQAv2, GQA и OK-VQA, а также возможные факторы, проверки воспроизводимости и открытые вопросы. Репозиторий предназначен для изучения и планирования экспериментов по ответам на вопросы об изображениях; завершённые эксперименты и улучшения метрик не заявлены. Лицензия — CC BY 4.0.

Это экспериментальная версия Llama 3.2 3B, дообученная Lamsheeper на 50 синтетических постоянных функциях. Для каждого добавленного токена функция возвращает фиксированное целое число; соответствия токенов и значений приведены в файле function_token_mapping.json. Модель предназначена как контрольный эталон для исследований influence functions и атрибуции обучающих данных: известен ограниченный набор документов, на котором основан каждый запомненный факт. Модель использует плотную архитектуру LlamaForCausalLM, содержит 3,2 млрд параметров и принимает текст для генерации текста. Контекстное окно — 131072 токена. В README сообщается о точности 100% на бенчмарке из 50 функций при аргументах 1–100; удержанная перплексия на общем тексте составляет 27,19 против 7,18 у базовой модели. Эти результаты относятся к описанной синтетической задаче и не свидетельствуют о пригодности для обычных диалогов или иных задач. Модель получена LoRA-дообучением meta-llama/Llama-3.2-3B с рангом 64; также полностью обучались embeddings токенов и lm_head. Использование рассчитано на исследования атрибуции данных, а не на прикладную генерацию. Лицензия — llama3.2; применяются её условия.

Это исследовательский чекпойнт авторов работы «Language Models Without a Trainable Input Embedding Table: Learning from Fixed Minimal Binary Token Codes». Модель представляет собой плотный авторегрессионный декодерный Transformer с 604 млн параметров и 32 слоями. Вместо обучаемой входной таблицы эмбеддингов она алгоритмически строит 16-битные коды из идентификаторов токенов и применяет к ним фиксированное обратимое аффинное преобразование над GF(2); выходная проекция остаётся обучаемой. Модель предназначена для воспроизведения эксперимента и сравнения способов кодирования входных токенов в причинной языковой модели. Она принимает текстовые токены, имеет словарь из 65 536 токенов и контекст длиной до 1 024 токенов; карточка указывает английский язык. В README приведены результаты стандартной оценки, которые показывают ограниченные возможности по сравнению с указанными внешними контрольными моделями. Это исследовательский чекпойнт, не предназначенный для развёртывания; возможны ошибочные, предвзятые, небезопасные или бессвязные ответы. Лицензия — Apache-2.0.

Карточка модели caiooliv/visual-question-answering-survey на Hugging Face совпадает с карточкой Atharv-kumar/visual-question-answering, поэтому описание составлено по ней. Atharv-kumar/visual-question-answering — это репозиторий исследовательских заметок по визуальным вопросам и ответам (VQA), а не готовая обученная модель. В карточке Hugging Face указаны задача visual-question-answering, архитектурная категория transformer и 9,4 млн параметров, однако README прямо сообщает, что обученный чекпойнт не выпущен; поэтому эти метаданные сами по себе не подтверждают наличие пригодной для запуска модели. Материалы описывают план сравнения с базовыми подходами и оценку на VQAv2, GQA и OK-VQA, а также возможные факторы, проверки воспроизводимости и открытые вопросы. Репозиторий предназначен для изучения и планирования экспериментов по ответам на вопросы об изображениях; завершённые эксперименты и улучшения метрик не заявлены. Лицензия — CC BY 4.0.

Карточка модели NikhilDevi77/intern-visual-question-answering на Hugging Face совпадает с карточкой Atharv-kumar/visual-question-answering, поэтому описание составлено по ней. Atharv-kumar/visual-question-answering — это репозиторий исследовательских заметок по визуальным вопросам и ответам (VQA), а не готовая обученная модель. В карточке Hugging Face указаны задача visual-question-answering, архитектурная категория transformer и 9,4 млн параметров, однако README прямо сообщает, что обученный чекпойнт не выпущен; поэтому эти метаданные сами по себе не подтверждают наличие пригодной для запуска модели. Материалы описывают план сравнения с базовыми подходами и оценку на VQAv2, GQA и OK-VQA, а также возможные факторы, проверки воспроизводимости и открытые вопросы. Репозиторий предназначен для изучения и планирования экспериментов по ответам на вопросы об изображениях; завершённые эксперименты и улучшения метрик не заявлены. Лицензия — CC BY 4.0.

Экспериментальная серия из восьми коротко обученных языковых моделей семейства Semantic Simulation SPLM, разработанная Dimitar Petrov. Модели используют архитектуру Fock-PARFLM v2.1 с глубинно-обусловленным анизотропным гауссовым потенциалом Vθ и Fock-регистрами; это плотная, не использующая attention архитектура на PyTorch. Каждый чекпойнт имеет ширину d=384, глубину L=16 и около 77 млн параметров; обучение проводилось 3 000 шагов на OpenWebText, англоязычном корпусе. Репозиторий предназначен для диагностического сравнения восьми коэффициентов затухания γ и выбора настройки для последующего полного обучения, а не для генерации текста или прикладного использования. Качество ограничено малым числом шагов: в README приведены значения perplexity 244–632, а чекпойнт с γ=0.20 отмечен как артефакт расходимости. Автор также уточняет, что измеритель геодезического остатка некорректен в этом режиме и результаты не подтверждают геодезическое движение; обучение не включало инструкционную настройку, RLHF/DPO или фильтрацию безопасности. Лицензия — CC BY 4.0.

Swordies-22M — экспериментальная плотная GPT-модель на 27,9 млн параметров, разработанная Compactbot с нуля. Она обучена на нижнем дециле датасета FineWeb-Edu, отобранном по низким оценкам качества текста, и предназначена для абляционного исследования влияния качества обучающих данных, а не для практического использования. Модель выполняет генерацию текста на английском языке, использует BPE-токенизатор с размером словаря 8192 и имеет контекстное окно 512 токенов. В README сообщается, что модель усвоила распределение низкокачественных обучающих текстов, но не приобрела общих языковых способностей: её генерации несвязны, а результаты стандартных бенчмарков находятся на уровне случайного угадывания или ниже. Это отрицательный контроль для экспериментов с качеством данных; автор не рекомендует использовать модель для генерации, прикладных задач или как базовую модель. Веса доступны в формате safetensors, лицензия — Apache-2.0. Для загрузки требуется предоставленный пользовательский загрузчик: модель не является моделью Transformers.

DatarusAI Datarus-R1-14B-preview — языковая модель с открытыми весами для аналитики данных и многошагового решения задач. Это плотная авторегрессионная модель семейства Qwen2, дообученная на базе Qwen/Qwen2.5-14B-Instruct. В README указано 14,8 млрд параметров; в метаданных — 14 млрд. Модель поддерживает генерацию текста и диалоговый режим, а также интерфейс вызова инструментов. Нативная длина контекста — 131 072 токена. Модель предназначена для анализа данных, статистических расчётов и визуализации, решения математических и научных задач, генерации аналитического кода и работы в интерактивных ноутбуках. README описывает два режима рассуждения: интерактивный ReAct с итеративным выполнением кода и режим Reflection для компактных объяснений и отчётов. Обучение проводилось на синтетических аналитических траекториях и наборах данных для рассуждений; заявленные области включают финансы, медицину и количественный анализ. Основной язык — английский. В карточке приведены высокие результаты на LiveCodeBench и AIME, однако это заявления разработчика, и качество на других задачах может отличаться. Интерфейс выполнения кода требует подключённой среды исполнения; сама модель генерирует текст. Модель распространяется по лицензии Apache 2.0.

Fisher-R1-14B — открытая языковая модель-агент, разработанная May2222 и дообученная на базе Qwen2.5-Coder-14B-Instruct. Она ориентирована на проверку статистических гипотез: анализирует данные, выбирает подходящий статистический тест, выполняет его и сообщает p-value с выводом по результату. Модель содержит 14 млрд параметров, использует архитектуру Qwen2 для причинной генерации текста и работает с контекстом до 32 768 токенов. Для обучения применялись синтетические исполняемые статистические задачи: supervised fine-tuning и reinforcement learning с проверяемой статистической оценкой. Модель оценивалась на P-Bench; в метаданных указан английский язык. Лицензия — Apache-2.0. Она предназначена для диалогового анализа статистических задач и выбора тестов, но README не приводит результатов бенчмарка или подробностей поддерживаемых тестов. Выводы модели следует проверять, особенно при подготовке научных или иных значимых заключений.

ABForge-Qwen3-8B-Task2 — дообученная модель семейства Qwen3, разработанная SlowGuess в рамках пайплайна ABForge для проектирования абляционных экспериментов на основе научных статей. Модель принимает контекст статьи и цель исследования, а затем генерирует подробный план с задачей эксперимента, настройкой, вариантами абляций, фиксированными протоколами и метриками. Модель основана на Qwen/Qwen3-8B: 7,6 млрд параметров, плотная архитектура Qwen3ForCausalLM, библиотека Transformers и формат весов safetensors. Обучение включает supervised fine-tuning и последующее обучение GRPO по критериям рубрики. Контекст — до 40 960 токенов; в карточке указан английский язык. Модель предназначена для текстового диалога и предоставляет интерфейс вызова инструментов. Обучающие данные связаны с исследовательскими статьями, а оценка проводилась на выделенной части AblationBench. Модель подходит для подготовки планов абляций в исследованиях, однако качество зависит от полноты и точности предоставленного контекста статьи; планы требуют проверки исследователем. Лицензия — Apache-2.0.

SlowGuess разработала ABForge-Qwen3-8B-Task2-SFT — языковую модель для подготовки планов абляционных экспериментов на основе научных статей. Модель дообучена методом supervised fine-tuning на базе Qwen/Qwen3-8B; архитектура — плотная авторегрессионная Qwen3 с 7,6 млрд параметров, формат весов — Safetensors. Она предназначена для генерации подробного плана с целью эксперимента, схемой проведения, вариантами абляции, фиксированными протоколами и метриками. Модель подходит для исследователей, которым нужно превратить контекст статьи и заданную цель в контролируемый план абляционного исследования. Карточка указывает обучение на наборе из 37 019 примеров, созданных на основе научных статей с лицензиями Creative Commons, и оценку на отложенной выборке AblationBench. Поддерживаются диалоговый режим и контекст до 40 960 токенов; язык карточки — английский. Модель распространяется по лицензии Apache-2.0. Её назначение специализировано на генерации планов абляционных экспериментов; качество и корректность предложенного дизайна следует оценивать с учётом исходной статьи и исследовательской задачи.